很多孩子不是“不会学”，也不是“不够努力”，而是他们的大脑在形成数学表征时，可能走了一条更慢、更容易混淆的路径。过去谈数学学习障碍，我们很容易停在分数上：做题慢、准确率低、加减法容易错。但分数只告诉我结果，不告诉我过程。真正值得追问的是：孩子在看到一个算式时，脑中到底形成了什么样的表示？加法和减法有没有被区分开？错误是随机发生，还是来自某种稳定的内部机制？我觉得有意思的地方就在这里：AI 不再只是做分类器，而是变成了一面显微镜，帮我观察“学习过程本身”。一，从“分数低”到“路径不同”文献关注的是 7 到 9 岁儿童的数学学习障碍。数据里共有 45 名儿童，其中 21 名属于数学学习障碍组，24 名属于典型发展组。研究者把儿童的算术行为表现和 fMRI 脑成像信息结合起来，构建了个性化深度神经网络，也就是每个孩子对应一个“数字孪生”。这个数字孪生不是随便训练一个模型去预测答案，而是模拟视觉—数字加工通路：从早期视觉区域 V1、V2、V3，一直到与数量加工密切相关的顶内沟 IPS。这样一来，我看到的不只是模型答对还是答错，还能看到它在不同层级中如何组织加法、减法和数字关系。换句话说，AI 在这里不是替代老师，也不是替代医生，而是把一个过去很难观察的问题拆开了：孩子的数学困难，可能来自哪里？二，关键变量：神经兴奋性最让我印象深刻的是“神经增益 G”这个设置。它可以理解为模型中神经元反应被放
很多孩子不是“不会学”，也不是“不够努力”，而是他们的大脑在形成数学表征时，可能走了一条更慢、更容易混淆的路径。过去谈数学学习障碍，我们很容易停在分数上：做题慢、准确率低、加减法容易错。但分数只告诉我结果，不告诉我过程。真正值得追问的是：孩子在看到一个算式时，脑中到底形成了什么样的表示？加法和减法有没有被区分开？错误是随机发生，还是来自某种稳定的内部机制？我觉得有意思的地方就在这里：AI 不再只是做分类器，而是变成了一面显微镜，帮我观察“学习过程本身”。一，从“分数低”到“路径不同”文献关注的是 7 到 9 岁儿童的数学学习障碍。数据里共有 45 名儿童，其中 21 名属于数学学习障碍组，24 名属于典型发展组。研究者把儿童的算术行为表现和 fMRI 脑成像信息结合起来，构建了个性化深度神经网络，也就是每个孩子对应一个“数字孪生”。这个数字孪生不是随便训练一个模型去预测答案，而是模拟视觉—数字加工通路：从早期视觉区域 V1、V2、V3，一直到与数量加工密切相关的顶内沟 IPS。这样一来，我看到的不只是模型答对还是答错，还能看到它在不同层级中如何组织加法、减法和数字关系。换句话说，AI 在这里不是替代老师，也不是替代医生，而是把一个过去很难观察的问题拆开了：孩子的数学困难，可能来自哪里？二，关键变量：神经兴奋性最让我印象深刻的是“神经增益 G”这个设置。它可以理解为模型中神经元反应被放
